本研究提出了 DGREC，一种新的分散式图神经网络推荐系统，用于保护隐私，在用户选择公开其互动时仍能确保通信效率和隐私保护。

Aug, 2023

本文研究了节点数据隐私的问题，并提出了一种基于局部差分隐私的 GNN 学习算法和一个名为 KProp 的简单图卷积层作为降噪机制，实验表明该方法在低隐私损失的同时可以保持令人满意的准确性。

Jun, 2020

设计了一种图神经网络 (GNN) 来提高多个合法无线用户向基站传输数据时的带宽分配，在存在窃听者的情况下提高隐私性并防止窃听攻击，通过用户调度算法来满足瞬时最小保密率约束，并基于此优化了带宽分配，通过迭代搜索 (IvS)、基于 GNN 的监督学习 (GNN-SL) 和基于 GNN 的无监督学习 (GNN-USL) 三种算法。计算复杂度分析表明 GNN-SL 和 GNN-USL 相对于受带宽块大小限制的 IvS 来说更高效。数值模拟结果表明，我们提出的基于 GNN 的资源分配与 IvS 相比可以实现可比较的总保密率，同时计算复杂度显著降低。此外，我们观察到 GNN 方法在窃听者信道状态信息不确定性方面更为稳健，特别是与最佳信道分配方案相比。

Dec, 2023

本文简要介绍了 GNN（图神经网络）的构建方法和在无线网络中的应用，包括资源分配和新兴领域的探索，并探讨了 GNN 在无线通信系统中应用的几个研究方向和趋势。

Jul, 2021

利用 Lyapunov 优化方法，最大化实现长期平均通信链路数目，以优化功率控制，改善图神经网络在资源受限的无线系统中的学习性能。

May, 2024

我们提出了一个基于图神经网络的学习框架，该框架可以在用户层面提供节点隐私，并且在损失效用性方面表现较低。我们使用分布式隐私保护的概念，并在节点水平对特征和标签数据应用随机化机制，在数据被中央服务器收集用于模型训练之前进行扰动。通过随机化数据的统计分析中的频率估计，我们开发了重构方法来逼近扰动数据的特征和标签。我们还形成了利用图聚类的频率估计来在子图层面监督训练过程的学习框架。在真实数据集和半合成数据集上进行了大量实验，证明了我们提出模型的有效性。

Sep, 2023

本文对图神经网络在隐私、鲁棒性、公平性和可解释性等计算方面进行了全面的调查，为不同方面的值得信任的 GNN 模型提供了发展框架和方法论。

Apr, 2022

本文提出了基于联邦学习的 VFGNN 框架，用于解决图数据中的隐私节点分类任务，在保留数据隐私的同时获得了良好的效果。

May, 2020

本文研究在联邦学习中，使用差分隐私和社区驱动方法来保障本地数据隐私，识别了一个安全漏洞并设计了两种攻击模式，Adversarial Mode 和 Backdoor Mode，实验结果表明这些攻击是有效的。

May, 2023

研究论文总结了在图数据上攻击的目标信息，分类了 GNN 中的隐私保护技术，并回顾了可用于分析 / 解决 GNN 隐私问题的数据集和应用，为未来的研究提出了潜在方向，以构建更好的隐私保护 GNN。

Aug, 2023